CN114040706A - 加速的磁共振温度测量 - Google Patents

Abstract

系统和方法利用关于要根据不完全k空间数据重建的图像的先验知识来提供加速的MR温度测量，从而促进准确地重建。在各种实施例中，使用诸如神经网络之类的机器学习算法计算地估计丢失的数据，并且基于迭代更新的估计的丢失信息来生成图像。

Description

加速的磁共振温度测量

相关申请的交叉引用

本申请要求于2019年4月25日递交的第62/838,409号；于2019年11月6日递交的第62/931,525号；于2020年2月7日递交的第62/971,449号美国临时申请的优先权和权益。所有前述文件的全部公开内容通过引用并入本文。

技术领域

本发明大体上涉及磁共振(MR)温度测量，并且尤其涉及用于加速MR温度测量的方法。

背景技术

组织，例如患者颅骨或其他身体区域内的良性或恶性肿瘤或血凝块，可以通过手术切除组织或通过使用例如热消融来非侵入性地治疗。这两种方法都可以有效地治疗身体内的某些局部疾病，但都涉及精细的程序，以避免破坏或损害其他健康组织。除非健康组织可以幸免或它的破坏不太可能对生理功能产生不利影响，否则手术可能不适用于患病组织与健康组织整合的情况。

可以使用聚焦超声完成的热消融对于治疗被健康组织或器官包围或邻近健康组织或器官的患病组织具有特别的吸引力，因为超声能量的影响可以被限制在明确界定的目标区域。由于超声波的相对较短的波长(例如，在1兆赫(1MHz)处的横截面小至1.5毫米(mm))，超声波能量可以被聚焦到具有仅几毫米横截面的区域。此外，因为声能通常可以很好地穿透软组织，中间解剖结构通常不会对界定所需的焦点区造成障碍。因此，超声能量可聚焦在小目标处以消融患病组织而不显著损害周围的健康组织。

超声聚焦系统通常利用声换能器表面或换能器表面阵列来生成超声波束。换能器的几何形状和定位可以将超声能量聚焦在与患者体内的目标组织块相对应的“焦点区”。在波通过组织传播期间，一部分超声能量被吸收，导致温度升高，最终导致细胞坏死——优选是在焦点区域的目标组织块处。换能器阵列的各个表面或“元件”通常是可单独控制的，即它们的相位和/或幅度可以彼此独立地设置(例如，在这种情况下使用具有适当延迟或相移的“波束成形器”用于元件的连续波和放大器电路)，允许将波束转向所需的方向并聚焦在所需的距离，并根据需要调整焦点区属性。因此，可以通过独立地调整输入到换能器元件中的电信号的幅度和相位来快速地移位和/或重建焦点区。

然而，因为人体是灵活的并且即使在患者被定位为保持静止时(例如由于呼吸或小的不自主运动)也会移动，所以随着时间的推移，以多次超声的形式进行治疗——即使超声是在几秒钟内递送的——可能需要对靶向和/或一个或多个治疗参数进行临时调整。因此，必须对运动进行补偿，以确保超声波束保持聚焦在目标上并且不会损坏周围的健康组织。

因此，诸如磁共振成像(MRI)之类的成像模态可在非侵入性治疗期间与超声聚焦结合使用以监测目标组织和超声焦点两者的位置。通常，MRI系统100，如图1所示，包括静磁场磁体102、一个或多个梯度场线圈104、射频(RF)发射器106和RF接收器(未示出)。(在一些实施例中，同一设备交替地用作RF发射器或接收器。)磁体包括用于在其中容纳患者110的区域108，并且在患者上方提供静态的、相对均匀的磁场。由梯度场线圈104生成的时变磁场梯度与静磁场叠加。RF发射器106在患者110上方发射RF脉冲序列以使患者的组织发射(随时间变化的)RF响应信号，该信号在整个(二维或三维)成像区域上积分并由RF接收器采样以产生构成原始图像数据的响应信号的时间序列。该原始数据被传递到计算单元112。时间序列中的每一个数据点可以被解释为k空间(即，波向量空间)中特定点的位置相关局部磁化的傅立叶变换值，其中波向量k是梯度场随时间发展的函数。因此，通过对响应信号的时间序列进行逆傅立叶变换，计算单元112可以从原始数据重建组织的图像(即，示出作为空间坐标的函数的测量的磁化影响组织特性的图像)。然后，可以将磁共振(MR)图像显示给用户。MRI系统100可用于计划医疗程序、以及在程序期间监测治疗进展。例如，MRI可用于：对解剖区域成像，定位该区域内的目标组织(例如，肿瘤)，将超声换能器114生成的波束引导至目标组织，和/或监测目标组织内部和周围的温度。

虽然MRI能够在各种不同的治疗场景中有利地使用图像引导系统，例如MRI引导聚焦超声(MRgFUS)系统，但在许多情况下，成像速率(即可以采集连续MRI图像的速率)落后于目标的一个或多个特征发生变化的速率。例如，在聚焦超声治疗或其他暴露于治疗能量的过程中，目标的位置或温度可能会迅速变化，从而导致从一次完全的MRI扫描到另一次的大的不连续跳跃。这种无法在足够精细的时间尺度上跟踪目标的变化可能会导致治疗过程中的显著低效(因为可能需要停止并重新设置治疗以应对变化)，或者甚至危险地暴露于目标的治疗能量或非靶向组织。

一种解决该问题的常规方法通过以下方式来加快MR成像速率：在扫描期间仅采集部分原始k空间数据(即对k空间数据进行“欠采样”)；然后可以迭代地执行涉及成本函数的算法以使用欠采样的k空间数据来生成图像。成本函数通常包括确保对原始采集的稀疏数据的忠实度的数据保真项、以及可以被实现为使数据随着时间的推移最大化平滑度的模型的约束项。虽然减少k空间数据点的采集可以提高MR成像率，但因为缺乏关于要重建图像的先验知识，在成像重建期间补充有关“丢失”(或未采集)k空间数据的信息的过程可能会很耗时；因此，增加的MR成像率受到影响。通常，获得的先验知识越多，需要的采样的k空间数据就越少，从而可以实现更大的MR成像速率加速。因此，需要一种改进的MRI采集方法，该方法实现关于要重建图像的额外先验知识，从而进一步减少MR扫描期间用于图像重建所需的k空间数据量以及进一步加快MR成像速率。

发明内容

本发明的实施例利用关于要从不完全k空间数据重建的图像的先验知识提供加速的MR温度测量，从而促进准确地重建。在各种实施例中，使用诸如神经网络之类的机器学习算法以计算方式估计丢失的数据，并且基于迭代的更新的估计丢失信息来生成图像。

因此，在一个方面，本发明涉及一种成像系统，在各种实施例中，包括被配置为激发目标区域的MRI设备。目标区域可以包括特征、基本上由特征组成或由特征组成(例如，人或动物的解剖特征、治疗目标、非治疗目标、诸如成像体模的体模等)。在各种实施例中，MRI设备被配置为(i)执行第一多回波脉冲序列以激发目标区域；(ii)采集目标区域的多个基线k空间图像，每个基线图像与第一多回波脉冲序列中的一回波相关联；(iii)执行第二多回波脉冲序列以激发目标区域；(iv)采集第二多个k空间图像。第二多个k空间图像中的每一个可以与第二多回波脉冲序列中的一回波相关联，并且第二多个k空间图像中的至少一个可以被欠采样以便与基线k空间图像相比丢失信息。在一些实施例中，所有的第二多个k空间图像都是欠采样的。在一个实施例中，以不同的模式对第二多个k空间图像中的至少一个进行欠采样。此外，图像系统可以包括计算单元，该计算单元被配置为至少部分地基于至少一个基线k空间图像和第二多个k空间图像中的至少一个来重建目标图像。

在一些实施例中，计算单元包括或执行机器学习算法，例如神经网络，例如卷积神经网络。目标图像可以是热图、灵敏度加权图像、T₂*图像、微出血图像或BOLD f-MRI图像。

在各种实施例中，所述系统被配置为使得对于第二多个k空间图像中的至少一个k空间图像，使用神经网络计算地估计丢失信息，并且至少部分地基于更新的估计丢失信息生成目标图像。计算单元可以被配置为，对于第二多个k空间图像中的至少一个k空间图像，(i)使用神经网络计算地估计对应的解剖图像，以及(ii)至少部分地基于更新的估计解剖图像生成目标图像。替代地或另外地，计算单元可以被配置为，对于第二多个k空间图像中的至少一个k空间图像，(i)估计从其中丢失的信息并且重建对应的解剖图像，(ii)使用神经网络计算校正解剖图像，以及(ii)至少部分基于更新的估计解剖图像生成目标图像。在又一替代方案中，计算单元被配置为，对于第二多个k空间图像中的至少一个k空间图像，(i)计算地估计从其中丢失的信息，(ii)至少部分地基于与其相关联的回波时间计算更新估计的丢失信息，以及(iii)至少部分地基于更新的估计丢失信息、与其对应的第二多个k空间图像中的至少一个k空间图像、以及对应于第二多个k空间图像中的至少一个k空间图像的基线k空间图像生成图。计算单元还可以被配置为至少部分地基于默认值、对应的基线k空间图像中的一个的一部分或第二多个k空间图像中的不同图像来计算地估计丢失的信息。

在一些实施例中，该图包括目标区域的解剖图像或热图中的至少一个。每个基线k空间图像可以包括多个像素，并且计算单元可以还被配置为至少部分地基于与基线k空间图像中的一个中的像素相关联的幅度来更新估计的丢失信息.

所述系统可以包括第一和第二MRI线圈，其中基线k空间图像中的每一个和第二多个k空间图像中的每一个与第一和/或第二MRI线圈相关联。在一些实施例中，计算单元还被配置为(a)从多个基线k空间图像计算重建多个基线图像，以及(b)对于第二多个k空间图像中的每一个，至少部分地基于计算地估计的与其相关联的丢失信息在第三图像集中计算重建图像。

在各种实施例中，响应于第一多回波脉冲序列从回波采集基线k空间图像中的每一个，并且响应于第二多回波脉冲序列从回波采集第二多个k空间图像中的每一个。计算单元还可以被配置为至少部分地基于与其相关联的回波的回波时间将第三图像集中的每一个重建图像与重建基线图像中的一个相对应。

所述系统还可以包括多个MRI线圈，其中基线k空间图像中的每一个和第二多个k空间图像中的每一个与MRI线圈中的至少一个相关联。计算单元还可以被配置为至少部分地基于相关联的至少一个MRI线圈将第三图像集中的每一个重建图像与重建基线图像中的一个相关。与第三图像集中的重建图像相关联的回波时间可以和与对应的重建基线图像相关联的回波时间相同。

在一些实施例中，计算单元还被配置为确定重建基线图像中的一个中的像素与第三图像集中的对应重建图像中的对应像素之间的相位差。计算单元还可以被配置为至少部分地基于第三图像集中的对应重建图像的重建所基于的k空间图像的回波时间更新相位差。与第三图像集中的重建图像相关联的相位差可以与第二多个k空间图像的回波时间正相关。

在各种实施例中，计算单元还被配置为至少部分地基于与第二多个k空间图像中的至少两个不同图像相关联的回波时间来更新相位差。替代地或附加地，计算单元还可被配置为至少部分地基于更新的相位差更新第三图像集中对应的重建图像，并将更新的图像变换为第四图像集中的k空间图像。此外，计算单元可以被配置为至少部分地基于在同一回波时间处采集的第二多个k空间图像中的对应图像来更新第四图像集中的k空间图像。

在一些实施例中，计算单元被配置为迭代地执行各种步骤直到满足终止条件。终止条件可以是以下中的一个或多个：超过预定限值的迭代次数，或者在两次迭代之间第四图像集中的更新k空间图像或第三图像集中的重建图像的变化低于预定最低限度。计算单元可以被配置为执行机器学习算法，例如人工神经网络(例如，卷积或循环神经网络)以执行各种步骤。

在一些实施例中，计算单元被配置为至少部分地基于第四图像集中的更新的k空间图像来计算重建第五图像集中的图像，并且计算减少来自第五图像集中的重建图像的噪声。计算单元可以被配置为对第三图像集合或第五图像集合中的至少一个中的至少两个图像应用局部低秩正则化以减少其中的噪声。

实现上述操作的方法也在本发明的范围内。

如本文所用，术语“大约”、“大致”和“基本上”表示±10％，并且在一些实施例中，表示±5％。在整个说明书中对“一个示例”、“一示例”、“一个实施例”或“一实施例”的引用意味着结合该示例描述的特定特征、结构或特性包括在本发明技术的至少一个示例中。因此，在本说明书的各个地方出现的短语“在一个示例中”、“在一示例中”、“一个实施例”或“一实施例”不一定都指的是同一示例。此外，特定特征、结构、例程、步骤或特性可以以任何合适的方式组合在本发明技术的一个或多个示例中。此处提供的标题仅为方便起见，并非旨在限制或解释要求保护的技术的范围或含义。

附图说明

在附图中，相同的附图标记在不同的视图中通常表示相同的部分。此外，附图不一定按比例绘制，而是重点通常放在说明本发明的原理上。在以下描述中，参考以下附图描述了本发明的各种实施例，其中：

图1用横截面形式描绘了代表性的MRI设备。

图2A描绘了用于PRF温度测量的示例性单回波GRE脉冲序列。

图2B描绘了多回波GRE脉冲序列，在其中采集回波系列中的回波。

图2C描绘了使用多回波GRE脉冲序列采集的图像切片的全采样数据集。

图3是示出根据各种实施例的加速MR温度测量的示例性方法的流程图。

图4A描绘了使用丢失一些数据的多回波GRE脉冲序列采集的图像切片的数据集。

图4B描绘了根据各种实施例的用于对k空间数据进行欠采样的示例性方法。

图4C描绘了一组Gv梯度光波，其被实施以在一个TR中采集具有多个相位编码值的回波，如图4B所示。

图4D图示了在一些实施例中有用的另一个k空间数据轨迹。

图5A是表示根据各种实施例的用于执行迭代估计过程的示例性方法的流程图。

图5B描绘了使用图5A中阐述的估计方法从迭代到迭代的图像质量的改进。

图6以图形方式描绘了用于应用其间具有频率差的两个RF脉冲以同时采集具有不同相位的两个切片的示例性方法。

图7A-7C图示了根据各种实施例可以如何以螺旋方式采集k空间数据。

具体实施方式

本发明提供用于在图像引导的治疗/诊断过程期间实时监测目标(例如，治疗目标)或感兴趣区域中的其他感兴趣对象的系统和方法。例如，该过程可以包括将聚焦超声应用于(即，超声处理)材料、组织或器官以对其加热，以使其坏死、消融或以其他方式破坏组织，如果其是，例如，癌症，或用于非破坏性治疗，例如缓解疼痛或控制诱导高热。超声还可用于其他非热类型的治疗，例如神经调节。替代地，该过程可以使用不同形式的治疗能量，例如射频(RF)辐射、X射线或伽马射线、或带电粒子，或涉及其他治疗方式，例如冷冻消融。在各种治疗程序中监测目标的温度和/或位置可用于将治疗能量束引导至目标和/或其他非目标组织和器官周围，即调整束焦点、轮廓和/或基于受影响解剖区域的图像的方向，在一些实施例中，这也可以使波束焦点可视化。MRI是一种广泛使用的技术，用于这种基于图像的热和/或运动跟踪。然而，也可以使用其他成像技术，包括例如X射线成像、X射线计算机断层扫描(CT)或超声成像，并且该其他成像技术在本发明的范围内。此外，可以使用一个或多个二维图像和/或三维图像来实现温度和/或运动监测。可以在其中实施本文描述的技术的MRI系统是本领域公知的；示例性系统如图1所示。

在一些实施例中，在程序期间的成像同时用于定量地监测体内温度。这在MR引导的热治疗(例如MRgFUS治疗)中特别有用，其中应持续监测目标治疗区域(例如，要被热破坏的肿瘤)的温度，以评估治疗进展并纠正用于热传导和能量吸收的局部差异，以避免对治疗区域周围的组织造成损伤。使用MR成像监测(例如，测量和/或映射)温度通常称为MR温度测量或MR热成像。

在可用于MR温度测量的各种方法中，质子共振频率(PRF)偏移方法通常是首选方法，因为它在温度变化方面具有出色的线性、与组织类型几乎无关、以及温度图采集具有高空间解析度和时间解析度。PRF偏移方法基于水分子中质子的MR共振频率随温度线性变化的现象(具有比例常数，有利地，在组织类型之间是相对恒定的)。由于频率随温度的变化很小，大体积水的频率变化仅为-0.01ppm/℃，并且组织中的频率变化约为-0.0096至-0.013ppm/℃，因此通常使用相敏成像方法来检测PRF偏移，其中成像执行两次：首先在温度变化之前采集基线PRF相位图像，然后在温度变化之后采集第二相位图像——即治疗图像——从而捕获与温度变化成比例的小相位变化。然后可以通过按逐个像素确定基线图像和治疗图像之间的相位差，并在考虑诸如静态磁场强度和回波时间(TE)(例如梯度回波的强度)等的成像参数的同时基于PRF温度依赖性将相位差转换为温度差，来从(重建的)图像计算温度变化图。图2A描绘了用于PRF温度测量的示例性单回波GRE脉冲序列，其中在连续脉冲序列(即，重复时间或TR)之间(在TE处)仅采集一个回波202。

在使用单回波GRE脉冲序列采集的典型MR图像中，可能存在由场不均匀性引起的空间位移Δr。增加MR接收器的带宽往往会减少空间偏移，但代价是增加了温度的标准偏差(或测量误差)。因此，带宽的选择反映了最小化空间偏移和减少测量误差之间的权衡。为了应对这挑战，在一些实施例中，MRI系统使用具有高带宽的接收器，并应用多回波GRE脉冲序列用于PRF温度测量。例如，参考图2B，在多回波GRE脉冲序列中，可以在每个TR内采集回波系列中的N个回波(如所描绘的N＝6)。因为每个回波都是在相对较短的时间窗口内以较高的接收器带宽采集的，所以空间偏移Δr可以忽略不计。此外，通过合并(或平均)来自所有N个回波的接收信号，可以提高接收MR信号的信噪比(SNR)，这进而降低温度的测量误差。图2C描绘了使用多回波GRE脉冲序列采集的成像切片的全(或“完全”)采样数据集。如图所示，每一行都与在一个TR中采集的相位编码步骤k_y相关联(并且k_x与平面垂直，因此未示出，与多个MR信号读数相关联)；此外，在每个TR中采集多个回波N，并且在TE_i时刻采集每个回波E_i(i≤N)。假设每个成像切片包括N₁个相位编码步骤和N₂个读数，则切片的全采样数据集包括N₁×N₂×N个数据点。在神经系统的常规MR热扫描中，TR＝27毫秒并且N₁＝128；因此，采集MR图像的单个切片可能需要达3.5秒的时间。虽然此扫描速率对于在开始超声程序之前采集基线PRF相位图像可能是可以接受的，但在超声程序期间当超声焦点(其通常与目标治疗区域重合)处的温度迅速升高时实时评估治疗进展和避免对目标区域周围的组织的损伤可能太慢了。术语“全采样数据集”在本文中不仅指被全采样的数据集，而且还指可以为其生成或估计全数据集的欠采样数据集。

因此，可以仅在超声程序之前采集图2C中描绘的全采样的k空间数据集；在超声程序期间，仅采集部分原始k空间数据以提供实时的(或至少加速的)MR温度测量，如下文进一步描述。图3示出了根据各种实施例的加速的MR温度测量的示例性方法300。该方法包括在感兴趣的超声程序之前执行的准备步骤、以及在该程序期间执行的步骤。在第一准备步骤302中，在发起超声治疗或诊断之前生成一个或多个MR多回波GRE脉冲序列，以便采集感兴趣区域(例如，治疗区域)的多个全采样的k空间图像；每个图像对应于在回波时间TE_i处接收到的回波E_i，并且可以使用相同或不同的MR线圈104采集不同的图像。在第二准备步骤304中，每个k空间图像被逆傅立叶变换以重建图像，然后可以将其用作基线参考图像。在发起治疗/诊断之后，可以生成一个或多个MR多回波GRE脉冲序列以采集感兴趣区域的多个图像(在步骤306中)；同样，每个治疗图像对应于在时间TE_i处采集的回波E_i。在一种实施方式中，每个治疗图像具有与基线参考图像的回波时间对应的回波时间TE_i。此外，在治疗图像的至少一个回波中仅采集部分原始k空间数据，以减少数据采集时间，从而允许实时监测感兴趣的区域(例如，治疗区域)中的组织状态(例如，温度)。(部分原始k空间数据可以通过“欠采样”采集，以获得小于整个k空间图像数据，如在步骤302中所做的。)例如，在图2C所示的全采样的k空间数据中，每个TR中的每一个回波都在kv的所有N₁个值处采样。在对数据进行欠采样时，在每个TR期间对所有回波进行采样，但缺少不同的相位编码值。例如，在图4A中，在每个TR中对所有6个回波进行采样，但是回波402仅对奇数k_y值进行采样，而回波408仅对偶数k_y值进行采样。由于图4A中的k_y-回波矩阵为半空，因此与图2C中描绘的全采样的k_y-回波矩阵相比，TR的数量(以及因此扫描时间)减少因子R＝2。

图4B描绘了根据各种实施例的用于对k空间数据进行欠采样的另一示例性方法。如图所示，以交错方式采集每个TR 410中的N个回波，使得它们都具有不同的相位编码值并且对应于不同的TE时间。因此，该方法进一步将数据采集时间减少了因子六(例如，仅需要三个TR来采集具有十八个相位编码值的数据)。参考图4C，在各种实施例中，实施一组G_y梯度光点以采集在一个TR中具有多个相位编码值的回波(如图4B中所示)。如图所示，可以在两个回波的采集时间之间引入每个梯度信号。

因此，使用上述方法的MR扫描可以只需要为成像切片的每个数据集采集N₁/R(其中R表示成像加速因子并且在图4A和4B中分别等于2和6)条相位编码线；这允许在3秒内采集R个切片，并将重复时间有效地增加到TR×R毫秒。在TR＝27毫秒和N₁＝128的神经系统的常规MR热扫描中，如图4B所示对k空间数据进行欠采样有利地允许在3秒内采集MR图像的六个切片(每个切片具有21条相位编码线)，TR为162毫秒；相比之下，在传统方法中只能在3秒内采集一个切片。此外，由于T₁信号饱和度较小，则使用上述欠采样方法增加TR可以显著提高来自身体组织(例如，大脑)的MR信号的质量。例如，通过将TR从27毫秒(在常规MR扫描中)增加到162毫秒(在图4B中)，可以将脑MR信号的SNR增加因子1.9。

应当注意，如图4A和4B所示，在每个TR 410中包括多个回波的k空间数据轨迹仅代表示例性实施例；通过选择接收回波的相位编码值和TE时间建立的其他轨迹可以适用于以加速速率采集MR数据，因此在本发明的范围内。例如，在一些实施例中可以使用图4D中描绘的轨迹。替代地，可以随机选择在每个TR 410中采集的N个回波。此外，每个TR 410中的数据轨迹可以与另一TR 410中的数据轨迹相同或不同。

再次参考图3，在各种实施例中，执行迭代估计过程以基于一个或多个约束来以计算的方式确定丢失的k空间数据，下文进一步描述(步骤308)。图5A描绘了用于根据本文执行迭代估计过程的示例性方法500。例如，在第一步骤502中，可以基于从同一回波系列中的一个或多个回波(例如，其平均值)采集的数据来初始估计丢失的k空间数据。附加地或替代地，可以基于在相同的回波时间TE_i处但在不同的回波系列或不同的治疗图像中和/或在基线图像中基于从回波采集的k空间数据初步估计丢失的k空间数据。在一些实施例中，丢失的k空间数据最初可以用一个或多个零或任何任意数字填充。然后，采集的(或采样的)k空间数据和估计的数据形成全(或完全)k空间数据集K_treatment(k_y，k_x，echo)，可以对其进行逆傅立叶变换以重建治疗图像X_treatment(y，x，echo)(步骤504)：

在一些实施例中，然后迭代估计过程对数据集施加一个或多个约束以准确估计丢失的k空间数据。在一个实施例中，约束基于关于治疗图像的先验知识。回波Ei在基线图像上的像素(x，y)处幅度为ρ_i(x，y)和相位φ_i(x，y)的信号S_i，baseline可以表示为：

S_i，baseline＝ρ_i(x，y)·exp[iφ_i(x，y)] 等式(2)

当治疗期间感兴趣区域的温度增加ΔT时，治疗图像的像素(x，y)处的回波Ei的信号S_{i，treatment}可以表示为：

S_{i，treatment}＝S_i，baseline·exp(iΔΦ_i)＝S_i，baseline·exp(i2πKΔT·TE_i)

等式(3)

其中K＝0.01ppm/℃。因此，治疗图像和对应基线图像之间的回波Ei的相位差(即，ΔΦ_i)可以与回波的回波时间TEi正相关(例如，线性地正相关)：

因此，迭代估计过程500施加的第一约束可以是回波时间TEi与、治疗图像和对应基线图像之间的相位差之间的线性关系。再次参考图5A，在一个实施例中，迭代估计过程首先基于逐个像素计算治疗图像与其对应的基线图像之间的相位差ΔΦ(x，y，echo)，并且随后估计治疗图像的每个像素(x，y)的新相位差ΔΦ_new，使得治疗图像中像素的新相位差与回波时间TE成线性，并尽可能接近计算出的相位差，ΔΦ(x，y，echo)(在步骤506中)：

其中F₀和F₁是独立于TE的两个系数。例如，与基线图像相关联的回波Ej的信号可以表示为：

ρ_j，baseline·exp[iφ_j，baseline] 等式(6)

与治疗图像相关联的回波Ej的信号可以表示为：

ρ_{j，treatment}·exp[iφ_{j，treatment}]. 等式(7)

因此对于每个位置(x，y)，可以为回波E_j(j＝1 to N)定义向量d_j：

d_j≡ρ_{j，treatment}·exp[iφ_{j，treatment}]·exp[-iφ_j，baseline]

＝ρ_{j，treatment}·exp[i(φ_{j，treatment}-φ_j，baseline)]

等式(8)

基于等式(4)，φ_{j，treatment}-φ_j，baseline可以表示为：

φ_{j，treatment}-φ_j，baseline＝ΔΦ_j＝2πKΔT·TE_j＝F₀+F₁·TE_j 等式(9)

随后，可以根据等式(8)中的向量d_j定义具有N-1个分量的向量v_k：

其中j和k＝1至N-1 等式(10)

其中ΔTE表示两个相邻回波之间的TE增量。因为等式(10)中的相位与k无关，所以F₁可以表示为：

其中

表示四象限反正切算子，并且mean表示v的所有分量的平均值。

此外，可以基于向量d和已知的F₁定义具有N个分量的另一向量u。u的第j分量u_j由下式给出：

u_j≡d_j·exp(-iF₁·TE_j)＝ρ_{j，treatment}·exp(iF₀)，J＝1至N

因为u_j的相位与j无关，所以F₀可以表示为：

基于等式(11)和(12)，可以计算两个系数，F₀和F₁。如下文进一步描述，在实现估计数据的合理收敛之后可以获得F₀和F₁的准确值。在各种实施例中，然后，基于F₀和F₁估计的新相位差连同对应基线图像中的相位可用于基于逐个像素来更新治疗图像中的像素的相位(在步骤508中)。例如，治疗图像中的回波Ej信号可以更新为：

ρ_{j，treatment}·exp[iφ_j，baseline]·exp[i(F₀+F₁·TE_j)] 等式(13)

此外，因为超声过程引起的温度升高主要影响治疗图像中的像素的相位，迭代估计过程可以施加第二约束，即设置治疗图像中每个像素的幅度与在对应的基线图像中相同(在步骤510中)：

|X_treatment(y，x，echo)|→|X_baseline(y，x，echo)| 等式(14a)

附加地或替代地，可以考虑以下事实：加热期间自旋密度ρ_treatment相对于ρ_baseline降低10％-15％(由于加热至高于体温20℃导致T1延长约25％)。因此，在等式(13)中治疗期间回波j的信号可写为

S_{j，treatment}＝ρ_j，baseline·A·exp(iφ_j，baseline)·exp[i(F₀+F₁·TE_j)]

等式(14b)

其中A(其小于1)是正实数，表示信号幅度的这种减少。A取决于x，y但与回波时间无关。根据等式(6)和(14)、以及A对于所有TE都相同的事实，得出结论：

其中S_{j，treatment}和S_j，baseline是回波j处的处理和基线信号，并且[[#]]表示括号内信号的幅度。等式(14a)中的均值是所有回波和线圈的均值，因为A对于所有回波和线圈都是相同的。在每次迭代期间，使用等式(14a)计算A，然后将其代入等式(14b)。由于A在空间上缓慢变化，因此可以使用标准的总变异(TV)算子来平滑它并提高其准确性。等式(14b)中计算的信号S_{j，treatment}是在图5A的步骤510中施加的。在迭代期间，F₀、F₁和A收敛到正确的值。替代地或附加地，除了或代替幅度变化，由改变共振频率的加热引起的化学位移的影响可以在等式(14b)中积分。附加地或替代地，可以通过在基线和治疗图像两者上使用众所周知的“水脂肪分离”技术来扩展模型以考虑脂肪。

在施加上述约束之后，迭代估计过程可以对更新的治疗图像应用傅立叶变换以生成更新的k空间数据集(在步骤512中)。在一些实施例中，迭代估计过程施加第三约束，其用原始采集的、欠采样的k空间数据替换更新的k空间数据集(在步骤514中)：

K(k_ys，k_xs，echo)→K_samp(k_ys，k_xs，echo) 等式(15)

其中K_samp表示在不同位置k_ys和k_xs处最初采集的k空间数据。因此，在步骤514之后，k空间数据集包括从回波采集的数据、以及至少部分基于回波时间估计的数据，如上文所述。在步骤514之后，可以对k空间数据进行逆傅立叶变换以重建治疗图像(在步骤516中)。可以迭代地执行步骤504-516，直到满足终止条件(例如，两次连续迭代之间的图像差异低于预定阈值，或已经执行了一定次数的迭代)，从而表明丢失的k空间数据已经得到正确估计。因此，通过以如上所述的重复、替代方式施加约束，可以实现对丢失的k空间数据的适当估计。在一些实施例中，迭代估计过程可以使用经训练的卷积神经网络或循环神经网络来确定丢失的k空间数据(参见例如https://arxiv.org/pdf/1712.02862.pdf，其通过引用并入本文)。图5B描绘了使用估计方法500从迭代到迭代改进图像质量。

再次参考图5A，在施加第三约束以用原始采集的欠采样的k空间数据替换更新的k空间数据集之后，可执行可选的步骤518以使用合适的噪声过滤方法提高重建的治疗图像的SNR。例如，因为图像数据集X中的每一个位置(y，x)具有高度地空间相关的N个(即回波的数量)点(这意味着所有回波对应于相同的解剖结构)，在各种实施例中，噪声过滤方法实现了局部低秩(LLR)正则化，利用空间相关性来降低治疗图像的噪声水平。例如，在期刊出版物中提供了使用LLR正则化提高图像的SNR的方法，例如T.Zhang等人的“AcceleratingParameter Mapping with a Locally Low Rank Constraint(使用局部低秩约束加速参数映射)”、Magnetic Resonance in Medicine(医学中的磁共振)，第73卷，655-661(2015)和J.F.Cai等人的“A Singular Value Thresholding Algorithm for Matrix Completion(矩阵补全的奇异值阈值算法)”SIAM Journal on Optimization(SIAM优化杂志)第20(4)卷，1956-1982(2010)，其全部公开内容并入本文引用。在一个实施例中，仅在最后5-10次迭代中执行步骤518。通常，使用LLR调节可以将计算温度的SNR提高因子二。附加地或替代地，小波变换可用于噪声过滤。

应说明的是，在一些实施例中，可以放宽将治疗图像中的每一个像素的幅度设置为与对应的基线图像中的幅度相同的第二约束。例如，可以仅在前几次迭代(例如，1-5次迭代)中施加此约束；在实现估计数据的合理收敛之后，可以去除该约束(即，在前几次迭代之后可以跳过步骤510)。因此，治疗图像中的像素的幅度可以接近但不一定与对应基线参考图像中的那些幅度相同。

随后，可以将治疗图像与对应的基线图像进行比较，以计算地生成感兴趣区域的温度图，从而在超声程序期间提供对温度变化的实时监测(步骤310)。在一个实施例中，通过使用加权函数W_i对与回波系列中的每一个回波E_i相关联的计算出的温度变化ΔT_i进行加权来生成温度图。如上所述，温度变化ΔT_i可以基于从回波E_i(在回波时间TE_i)采集的图像与其对应的基线图像之间的相位差ΔΦ_i计算得出：

i＝1至N

然后可以计算与每个回波相关联的温度变化ΔT_i的加权组合，以确定与治疗图像相关联的温度变化：

步骤306-310可以在整个超声过程中迭代地执行，以在过程期间监测感兴趣区域。

因此，本发明的各种实施例可以有效地增加MR成像速率(例如，通过对多回波GRE脉冲序列中的一个或多个回波中的k空间数据进行欠采样)同时提供具有足够分辨率的图像(例如，通过使用上述约束和迭代估计方法而正确地确定丢失(或未采集)的k空间数据)，以便在超声程序期间实时监测该区域。

在上面给出的示例中，在给定的TR中只有单个切片被激发。因此，当需要3秒的总扫描时间时，在R倍的加速度下，TR的数量减少了因子R；结果，TR增加了R倍。例如，如上所示，当R＝6时，TR从27毫秒增加到142毫秒；此外，SNR增加了约1.9。根据各种实施例的替代方法在每个TR期间同时激发所有切片。在RF激发期间，每个切片被不同的相位而激发，并且RF波形是单独激发每个切片所需的波形的线性组合。如果R个切片同时被激发，则它们会相互重叠。为了将它们分离，可以应用R个波形来采集R个数据集，其中每个切片的相位以已知方式从波形到波形线性变化。最后，可以通过对R个数据集应用逆傅立叶变换或Hadamard变换来分离切片。在这种情况下，可以使用27毫秒的短TR来激发所有R波形。然而，由于所有切片同时被激发，所以与TR＝27毫秒的单个切片相比，SNR增加了√R。这对于较大的R非常有利。例如，对于R＝8，SNR增益为√8＝2.8。图6描绘了用于施加两个RF脉冲RF₁和RF₂的示例性方法，它们之间具有频率差Ω₀以同时采集被相位编码以使得它们之间存在相位差(例如，π)的两个切片。在接收到两个MR信号Sn₁和Sn₂后，可以使用以下等式将两个切片分离：

Slice₁＝(S_n1+S_n2)/2，

Slice₂＝(S_n1-S_n2)/2.

与传统的MR扫描方法相比，采用上述用于加速MR成像速率的方法可以有利地增加图像的空间分辨率，同时为每个温度测量采集较少数量的切片。例如，当R＝6时，可以采集三个MR成像切片，每个切片具有256个相位编码步骤(即N₁＝256)。与使用128个相位编码步骤的传统MR图像相比，具有更多相位编码步骤的图像则可以提供更高的空间分辨率。此外，在需要时，上述方法可以提高所采集图像的时间分辨率(即，减少每次温度测量所需的时间)。例如，当R＝6时，可以在1.6秒内采集具有3个切片的成像数据集。与需要3秒来采集具有一个切片的成像数据集的传统方法相比，该采集速率更快。

等式(14a-14c)中提出的方法可以扩展。在一个实施例中，在基线图像由于场图变化或水的移动而不稳定的情况下，收集若干个基线图像，用基线图像的线性组合来拟合处理阶段。在一些实施例中，该方法可以被公式化为要最小化的const函数：

这里

是线圈n和回波j的欠采样数据，E_j是欠采样编码模式，对于回波j，T是从真实空间到k空间的变换算子，x是相对于治疗图像的基线像素建模的真实空间中的像素，并且Reg(x)是基于任何先验知识(Tikhonov、总变异、稀疏性等)的正则化项。

这种模型的一个示例是基线图像不稳定(例如，由于水移动)并且在加热时T2*会出现一定松弛(R2*＝1/T2*)的情况。在这种情况下，x可以计算为

ρ是回波j处的l基线幅度，并且N_b是基线的数量。正则化项可以应用于F₁和/或F₀和/或R₂*和/或幅度A，跨越测量的空间位置(2D或3D)。可以沿回波系列来实施其他调节项，例如LLR。附加地或替代地，LLR可以应用于治疗数据和基线之间的差异。附加地或替代地，可以使用时间约束重建(TCR)来考虑时空相关性。

适应丢失k空间数据的另一种方法是使用经训练的神经网络，例如卷积神经网络(CNN)或其他可以包括诸如全连接层、循环神经网络(RNN)、“神经中神经”(NiN)网络等的神经网络架构。众所周知，神经网络以类似于人脑的方式处理信息。神经网络由大量高度互连的处理元件(神经元)组成，它们并行工作以解决特定问题。神经网络通过示例进行学习；它们不能被编程来执行特定的任务。必须仔细选择示例，否则会浪费有用的时间，或者更糟糕的是，网络可能错误地运行。基于“监督学习”原则运行的神经网络使用标记的输入图像(其中标签指定与输出相关的特征，例如分类)。

在一些实施例中，神经网络学习从k空间中的混叠图像到k空间中无伪影图像的映射。在一种用于网络训练的图像驱动方法中，损失函数L包括正则化项，例如

在这种情况下，n为1或2，并且正则化参数Re(x，θ)可以从有关概率分布函数的相关先验知识中导出。在一个实施例中，Tikhonov正则化用于数据平滑。

在其他监督学习方法中，编码算子

的知识用于从k空间中的给定数据中找到真实空间中的

在一些实施例中，欠采样的k数据的数据一致性被考虑为损失函数的附加项：

其中

是从实空间到k空间的变换。在DL温度测量中，可以采用额外的损失函数来考虑回顾性基线(bl)数据k^bl的数据一致性：

表示k条轨迹的编码器算子E_j也可以在神经网络架构(NNA)中包括自由参数，并且可以被学习。在一些实施例中，不同回波的k空间数据轨迹可以不同。在一个实施例中，物理约束被添加到梯度轨迹作为损失函数，从而允许学习k个采样轨迹。E_j采样模式可以从螺旋的、径向的或其他几何模式轨迹中学习，同时允许对神经网络要学习的轨迹进行表征的参数。

附加地或替代地，可以基于包括涡流效应和/或伴随梯度效应和/或B₀不均匀性的参数在内的物理模型来计算实际的k个轨迹。神经网络可以接收预扫描数据(例如B₀场图或预扫描梯度延迟测量)作为输入。与全采样的基线轨迹一起，可以实现对k条轨迹的自动校正。在一个实施例中，通过在治疗扫描之前改变梯度波形来校正k个轨迹。附加地或替代地，用于校正k条轨迹的神经网络集成在整个NNA中。

附加地或替代地，可以使用另一个物理驱动的损失函数，即可以从回波图像来构建的场图参数。在一个实施例中，基于等式计算(16)的TMAP(ΔT)被用作与来自NNA的重建的

进行比较的基本事实。TMAP是使用每个像素处计算出的ΔT所获得的真实空间中的热图。

在一个实施例中，采用了UNet CNN架构。N_coils欠采样k数据可以与N_coils基线k数据一起用作输入数据。在一个实施例中，在丢失的k个数据点处设置零填充。在非笛卡尔k采样的情况下，可以采用网格化。然后得到k-数据到实空间的逆傅立叶变换。在一个实施例中，CNN被迭代地使用，其中损失函数L_imag在CNN步骤内是活动的，但是在CNN步骤之间，使用数据一致性损失项L_us、L_bl。在另一实施例中，端到端CNN可以直接从k空间前进到TMAP。训练数据可以使用真实的和详细的Bloch模拟而被生成，这些模拟考虑了各种各样的现实特征：幻影形状、磁场漂移、RF干扰、涡流、不同的温度模式、形状、大小、比例、基线和治疗之间的运动和其他特征。

另一实施例利用生成对抗网络(GAN)。在一个实施例中，生成网络损失函数是具有L1和/或L2正则化的L_image。对抗网络可以使用数据一致性损失函数。又一实施例使用循环神经网络，给定治疗阶段(包括基线阶段)的顺序性质。

Caffe、Keras、PyTorch、Theano和TensorFlow是合适的神经网络平台(并且可以是基于云的或根据设计偏好实现的系统本地)。对于涉及图像的任务，通常优选CNN作为NNA中的主要组件。此处介绍的CNN的使用具有代表性，并且实际实现也可以使用替代网络以及NNA的组合。CNN将图像作为输入进行处理，并可以输出分类或其他图像，具体取决于设计。例如，基于U-net架构的CNN网络可以用于将输入数据转换为图像。CNN通常尤其包括卷积层和池化层，它们对输入图像进行操作以产生输出。

更一般地，本发明的实施例使用NNA从具有丢失数据的输入k空间图像——其中添加或不添加作为基线k数据或多个基线所收集的完全数据——生成或识别热图。在一种方法中，训练库包括具有基线的完全数据和丢失数据的一系列k空间图像，并且标签是对应的热图。例如，标签可以如上所述从具有丢失数据的k空间图像中生成，该k空间图像用作训练输入。

这种方法利用从子样本k空间到所需热图的直接变换。在另一实施例中，热图是通过两个步骤间接创建的：首先使用NNA将二次采样的k空间转换为复杂图像(例如，来自至少两个回波的图像)，然后使用传统的PRF技术使用所得图像生成热图。利用NNA从二次采样的k空间重建MRI图像的第一步骤可以使用不同的技术来完成。在一种方法中，首先完成k空间(例如，通过为丢失数据分配零)并将k空间重建为将展示伪影的图像，CNN用于去除这些伪影。在另一种方法中，NNA直接从二次采样的k空间生成图像。附加地或替代地，可以训练NNA以接受至少一个次优热图(例如，带有伪影的图)作为输入，并生成一个或多个改进的热图(ML_Map)作为输出。在一些实施例中，改进的热图可用于进一步校正重建图像(例如，通过用F₁＝2πKΔT＝2πKML_Map替换等式11)。

需要说明的是，本文描述的MR加速方法可以应用于任何多回波MR脉冲序列；欠采样的k空间数据可以沿任何“增量”维度(例如，相位编码维度、螺旋交织维度、径向角度维度等)收集，只要在多回波系列的回波中实施欠采样即可。例如，本文描述的MR加速方法可以应用于多切片、多回波GRE脉冲序列和/或用于采集2D MR成像切片的多波段、多回波GRE脉冲序列，并且k空间轨迹可以是笛卡尔轨迹、螺旋轨迹、径向轨迹或任意轨迹。例如，参考图7A-7C，可以在每个TR中具有三个回波702-706的螺旋方式采集k空间数据。此外，每个回波包括三次发射，但仅采集其中一个(例如，分别在回波702、704、706中的发射712、714、716)；其他两个发射丢失。如上所述的丢失数据的估计也可以应用于这种扫描方法。例如，可以使用迭代估计方法基于上述约束以数值方式计算丢失的发射。类似地，如果k空间数据包括径向轨迹，则可以执行欠采样以减少每个回波中“臂”的数量。随后，可以实施迭代估计方法与约束一起来确定丢失的臂。因此，虽然在常规方法中需要M个扫描发射和N个回波(因此M×N个总发射)来采集成像切片，但使用本文描述的加速MR成像方法可以有利地将发射总数减少一定倍数或R倍(即，M×N/R)。相同的想法也可用于多发射多回波的回波平面成像(EPI)，以减少扫描点的数量。

在一些实施例中，体积3D MR热图是有利的。在这种情况下，可以采集k空间数据的三个维度，并且可以增加维度中的两个维度(例如，间接Z编码、螺旋交织等)。因此，可以使用上述加速MR成像方法对沿任何一个或两个递增维度的数据进行欠采样和估计。例如，在治疗之前，采集的k空间数据集可以包括一个或多个完全的3D基线图像。在治疗期间，采集的k空间数据集可以包括对应于每个TR中沿递增维度的不同值的多个发射；此外，可能会在不同的TE处对不同的发射进行采样。因此，治疗图像中的每一个发射都可能会丢失一些数据。同样，因为基线图像和治疗图像之间的主要变化是在相位中，所以治疗图像中的丢失数据可以使用上述基于约束的迭代方法来估计。此外，3D数据采集可以是笛卡尔采集、螺旋采集、径向采集(见例如https://onlinelibrary.wiley.com/doi/abs/10.1002/mrm.26862)，结合2D螺旋平面的径向采集(参见，例如，https://www.ncbi.nlm.nih.gov/pubmed/28643383和https://onlinelibrary.wiley.com/doi/abs/10.1002/mrm.26862)或任意轨迹。在一个实施例中，任意轨迹是基于采集的基线定义的。

此外，本文描述的用于加速多回波GRE脉冲序列的方法不仅限于MR温度测量。其他使用多回波GRE脉冲序列的应用也可能受益于加速的MR数据采集方法。一个示例是场图的测量，其中在场变化采集快速场图或用于使用多回波GRE脉冲序列构建灵敏度加权成像(SWI)。另一个示例性应用是研究T₂*，其中对回波图像之间与相位相反的的每个像素的幅度对比度和信号衰减(例如，微出血检测，f-MRI中的BOLD PSD)进行欠采样和估计。同样，在所有这些应用中，在程序之前可能需要一张或多张全采样的基线图像。如果基线图像相对于治疗图像不是静态的，则可以将物理模型集成到优化过程中以预测并由此补偿变化(例如，参见等式(18))。

在一些情况下，所采集信号的SNR可能太低而无法使用上述约束条件提供对丢失数据进行有意义的估计。例如，在检测脑组织微出血时，回波系列图像上可能会出现局部暗点(快速T₂*)；因此，由于SNR低，无法测量TE与这些点的相位差之间的线性关系。在一个实施例中，可以将加权掩模应用于对应于暗点的像素，使得由此产生的不可靠约束不影响重建图像。

此外，MRI系统可以包括多个MRI线圈；每个线圈可以接收来自目标区域的至少一部分MR信号。在超声程序之前和/或期间采集的每个k空间图像可以与一个或多个MRI线圈相关联。结果，重建的图像可以基于如上所述的关联回波时间以及关联的MRI线圈。在一实施例中，可以合并从多个线圈接收到的MR信号中提取的信息；合并的信息可以等同于(或至少相似于)使用单个MR线圈测量的信息。附加地或替代地，由每个线圈接收的MR信号可以如上所述经过处理以重建图像和/或生成热图。然后可以收集与多个线圈相关联的图像和/或热图，例如，使用加权平均来创建目标区域的平均图像和/或热图。

通常，用于执行加速MR成像采集的功能，包括对k空间数据进行欠采样和使用迭代估计方法计算确定丢失的k空间数据，如上所述，集成在MRI系统的控制器中和/或超声系统，或由单独的外部控制器提供，可以被构造成一个或多个以硬件、软件或两者的组合实现的模块。对于作为一个或多个软件程序提供功能的实施例，程序可以用多种高级语言中的任一种编写，例如PYTHON、FORTRAN、PASCAL、JAVA、C、C++、C#、BASIC、各种脚本语言，和/或HTML。此外，软件可以用针对驻留在目标计算机(例如，控制器)上的微处理器的汇编语言来实现；例如，如果该软件配置为在IBM PC或PC克隆上运行，则该软件可以用Intel 80x86汇编语言实现。软件可以体现在制造物品上，包括但不限于软盘、跳转驱动器、硬盘、光盘、磁带、PROM、EPROM、EEPROM、现场可编程门阵列，或光盘。使用硬件电路的实施例可以使用例如一个或多个FPGA、CPLD或ASIC处理器来实现。

此外，本文使用的术语“控制器”广义上包括用于执行上述任何功能的所有必要硬件组件和/或软件模块；控制器可以包括多个硬件组件和/或软件模块，并且功能可以分布在不同的组件和/或模块之间。最后，当基线幅值有扰动时，假设有一个物理模型(如上所述)，上述优化方法也可以包括对基线图像的调整。

本发明的某些实施例是如上所述。然而，需要明确指出的是，本发明不限于这些实施例；相反，对本文明确描述的内容的添加和修改也包括在本发明的范围内。

Claims (51)

1.一种成像系统，包括：

磁共振成像MRI设备，被配置为：

(i)执行第一多回波脉冲序列以激发目标区域；

(ii)采集所述目标区域的多个基线k空间图像，每个基线图像与所述第一多回波脉冲序列中的一回波相关联；

(iii)执行第二多回波脉冲序列以激发所述目标区域；以及

(iv)采集第二多个k空间图像，所述第二多个k空间图像中的每一个与所述第二多回波脉冲序列中的一回波相关联，并且所述第二多个k空间图像中的至少一个k空间图像是欠采样的以便与基线k空间图像相比丢失信息；以及

计算单元，被配置为至少部分地基于至少一个基线k空间图像和所述第二多个k空间图像中的至少一个来重建目标图像。

2.根据权利要求1所述的系统，其中，所述目标图像是热图、灵敏度加权图像、T₂*图像、微出血图像或BOLDf-MRI图像中的一个。

3.根据权利要求1所述的系统，其中，所述计算单元包括神经网络。

4.根据权利要求3所述的系统，其中所述神经网络是卷积神经网络。

5.根据权利要求3所述的系统，其中，所述计算单元被配置为，

对于所述第二多个k空间图像中的至少一个k空间图像，(i)使用所述神经网络来计算地估计从中丢失的信息，以及(ii)至少部分地基于估计的丢失信息来生成目标图像。

6.根据权利要求3所述的系统，其中，所述计算单元被配置为，

对于所述第二多个k空间图像中的至少一个，(i)使用神经网络来计算地估计对应的解剖图像，以及(ii)至少部分地基于估计的解剖图像来生成目标图像。

7.根据权利要求3所述的系统，其中，所述计算单元被配置为，

对于所述第二多个k空间图像中的至少一个，(i)估计从中丢失的信息并重建对应的解剖图像，(ii)使用所述神经网络对解剖图像进行计算地校正，以及(ii)至少部分地基于校正的解剖图像来生成目标图像。

8.根据权利要求1所述的系统，其中，所述计算单元被配置为，

对于所述第二多个k空间图像中的至少一个k空间图像，(i)计算地估计从中丢失的信息，(ii)至少部分地基于与其相关联的回波时间来计算地更新估计的丢失信息，以及(iii)至少部分地基于更新的估计的丢失信息、与其对应的所述第二多个k空间图像中的至少一个k空间图像、以及与所述第二多个k空间图像中的至少一个k空间图像对应的基线k空间图像来生成图。

9.根据权利要求8所述的系统，其中，所述图包括所述目标区域的解剖图像或热图中的至少一个。

10.根据权利要求8所述的系统，其中，所述计算单元还被配置为：至少部分地基于默认值、对应基线k空间图像中的一个的一部分或所述第二多个k空间图像中的不同的一个k空间图像来计算地估计丢失信息。

11.根据权利要求8所述的系统，其中，所述基线k空间图像中的每一个包括多个像素，所述计算单元还被配置为：至少部分地基于与所述基线k空间图像中的一个中的像素相关联的幅度来更新估计的丢失信息。

12.根据权利要求1所述的系统，还包括第一MRI线圈和第二MRI线圈，其中，所述基线k空间图像中的每一个和所述第二多个k空间图像中的每一个与所述第一MRI线圈或第二MRI线圈中的至少一个相关联。

13.根据权利要求8所述的系统，其中，所述计算单元还被配置为：(a)从所述多个基线k空间图像来计算地重建多个基线图像，以及(b)对于所述第二多个k空间图像中的每一个，至少部分地基于计算地估计的与其相关联的丢失信息来计算地重建第三图像集中的图像。

14.根据权利要求13所述的系统，其中，所述基线k空间图像中的每一个是响应于所述第一多回波脉冲序列而从回波中采集的，并且所述第二多个k空间图像中的每一个是响应于所述第二多回波脉冲序列而从回波中采集的，所述计算单元还被配置为：至少部分地基于与其相关联的回波的回波时间将所述第三图像集中的每个重建图像与重建基线图像中的一个相对应。

15.根据权利要求14所述的系统，还包括多个MRI线圈，所述基线k空间图像中的每一个和所述第二多个k空间图像中的每一个与所述MRI线圈中的至少一个相关联，所述计算单元还被配置为：至少部分地基于相关联的至少一个MRI线圈来将所述第三图像集中的每个重建图像与重建基线图像中的一个相关联。

16.根据权利要求14所述的系统，其中，与所述第三图像集中的重建图像相关联的回波时间和与对应重建基线图像相关联的回波时间相同。

17.根据权利要求14所述的系统，其中，所述计算单元还被配置为：(c)确定所述重建基线图像中的一个中的像素与所述第三图像集中的对应重建图像中的对应像素之间的相位差。

18.根据权利要求17所述的系统，其中，所述计算单元还被配置为：(d)至少部分地基于所述第三图像集中的所述对应重建图像的重建所基于的k空间图像的回波时间来更新相位差。

19.根据权利要求18所述的系统，其中，与所述第三图像集中的重建图像相关联的相位差与所述第二多个k空间图像的回波时间正相关。

20.根据权利要求18所述的系统，其中，所述计算单元还被配置为：至少部分地基于与所述第二多个k空间图像中的至少两个不同图像相关联的回波时间来更新所述相位差。

21.根据权利要求18所述的系统，其中，所述计算单元还被配置为：(e)至少部分地基于更新的相位差来更新所述第三图像集中的所述对应重建图像，以及(f)将更新的图像变换为第四图像集中的k空间图像。

22.根据权利要求17所述的系统，其中，所述计算单元还被配置为：(g)至少部分地基于在同一回波时间处采集的所述第二多个k空间图像中的对应图像来更新所述第四图像集中的k空间图像。

23.根据权利要求22所述的系统，其中，所述计算单元还被配置为：迭代地执行步骤(b)-(g)，直到满足终止条件。

24.根据权利要求23所述的系统，其中，所述终止条件对应于以下项中的一项或多项：

超过预定限值的迭代次数，或

在两次迭代之间，所述第四图像集中的更新的k空间图像的变化或所述第三图像集中的重建图像的变化低于预定最小值。

25.根据权利要求22所述的系统，其中，所述计算单元还被配置为：执行人工神经网络以执行步骤(b)-(g)至少两次。

26.根据权利要求22所述的系统，其中，所述计算单元还被配置为：至少部分地基于所述第四图像集中的更新的k空间图像来计算地重建第五图像集中的图像，并且计算地减少来自所述第五图像集中的重建图像的噪声。

27.根据权利要求26所述的系统，其中，所述计算单元还被配置为：对所述第三图像集或所述第五图像集的至少一个中的图像中的至少两个图像应用局部低秩正则化以减少其中的噪声。

28.一种磁共振成像方法，所述方法包括：

执行第一多回波脉冲序列以激发目标区域；

采集所述目标区域的多个基线k空间图像，每个基线图像与所述第一多回波脉冲序列中的一回波相关联；

执行第二多回波脉冲序列以激发所述目标区域；

采集第二多个k空间图像，所述第二多个k空间图像中的每一个与所述第二多回波脉冲序列中的一回波相关联，并且所述第二多个k空间图像中的至少一个是欠采样的以便与基线k空间图像相比丢失信息；以及

至少部分地基于至少一个基线k空间图像和所述第二多个k空间图像中的至少一个来重建目标图像。

29.根据权利要求28所述的方法，其中，所述目标图像是热图、灵敏度加权图像、T2*图像、微出血图像或BOLD f-MRI图像中的一个。

30.根据权利要求28所述的方法，还包括：对于所述第二多个k空间图像中的至少一个，(i)计算地估计从其中丢失的信息，以及(ii)至少部分地基于估计的丢失信息来生成目标图像。

31.根据权利要求28所述的方法，还包括：对于所述第二多个k空间图像中的至少一个，(i)计算地估计对应的解剖图像，以及(ii)至少部分地基于估计的解剖图像来生成目标图像。

32.根据权利要求28所述的方法，还包括：对于所述第二多个k空间图像中的至少一个，(i)估计从中丢失的信息并重建对应的解剖图像，(ii)计算地校正所述解剖图像，以及(ii)至少部分地基于校正的解剖图像来生成目标图像。

33.根据权利要求28所述的方法，还包括：对于所述第二多个k空间图像中的至少一个k空间图像，(i)计算地估计从中丢失的信息，(ii)至少部分地基于与其相关联的回波时间来计算地更新估计的丢失信息，以及(iii)至少部分地基于更新的估计的丢失信息、与其对应的所述第二多个k空间图像中的至少一个k空间图像、以及与所述第二多个k空间图像中的至少一个k空间图像对应的基线k空间图像来生成图。

34.根据权利要求33所述的方法，其中，所述图包括所述目标区域的解剖图像或热图中的至少一个。

35.根据权利要求33所述的方法，其中，至少部分地基于默认值、对应的基线k空间图像中的一个的一部分或所述第二多个k空间图像中的不同的一个k空间图像来计算地估计丢失信息。

36.根据权利要求33所述的方法，其中，所述基线k空间图像中的每一个包括多个像素，并且至少部分地基于与所述基线k空间图像中的一个中的像素相关联的幅度来更新估计的丢失信息。

37.根据权利要求33所述的方法，还包括：(a)从所述多个基线k空间图像来计算地重建多个基线图像，以及(b)对于所述第二多个k空间图像中的每一个，至少部分地基于计算地估计的与其相关联的丢失信息来计算地重建第三图像集中的图像。

38.根据权利要求37所述的方法，其中，所述基线k空间图像中的每一个是响应于所述第一多回波脉冲序列而从回波中采集的，并且所述第二多个k空间图像中的每一个是响应于所述第二多回波脉冲序列而从回波中采集的，并且还包括：至少部分地基于与其相关联的回波的回波时间，将所述第三图像集中的每个重建图像与重建基线图像中的一个相对应。

39.根据权利要求38所述的方法，其中，所述基线k空间图像中的每一个和所述第二多个k空间图像中的每一个与多个MRI线圈中的至少一个相关联，并且还包括：至少部分地基于相关联的至少一个MRI线圈将所述第三图像集中的每个重建图像与重建基线图像中的一个相关联。

40.根据权利要求38所述的方法，其中，与所述第三图像集中的重建图像相关联的回波时间和与对应的重建基线图像相关联的回波时间相同。

41.根据权利要求38所述的方法，还包括：(c)确定重建基线图像中的一个中的像素与所述第三图像集中的对应重建图像中的对应像素之间的相位差。

42.根据权利要求41所述的方法，还包括：(d)至少部分地基于所述第三图像集中的所述对应重建图像的重建所基于的k空间图像的回波时间来更新相位差。

43.根据权利要求42所述的方法，其中，与所述第三图像集中的重建图像相关联的相位差与所述第二多个k空间图像的回波时间正相关。

44.根据权利要求42所述的方法，其中，至少部分地基于与所述第二多个k空间图像中的至少两个不同图像相关联的回波时间来更新所述相位差。

45.根据权利要求42所述的方法，还包括：(e)至少部分地基于更新的相位差来更新所述第三图像集中的所述对应重建图像，以及(f)将更新的图像变换为第四图像集中的k空间图像。

46.根据权利要求41所述的方法，其中，所述计算单元还被配置为：(g)至少部分地基于在同一回波时间处采集的所述第二多个k空间图像中的对应图像来更新所述第四图像集中的k空间图像。

47.根据权利要求46所述的方法，其中，迭代地执行步骤(b)-(g)，直到满足终止条件。

48.根据权利要求47所述的方法，其中，所述终止条件对应于以下项中的一项或多项：

超过预定限值的迭代次数，或

在两次迭代之间，所述第四图像集中的更新的k空间图像的变化或所述第三图像集中的重建图像的变化低于预定最小值。

49.根据权利要求46所述的方法，其中，步骤(b)-(g)被执行至少两次。

50.根据权利要求46所述的方法，还包括：至少部分地基于所述第四图像集中的更新的k空间图像来计算地重建第五图像集中的图像，并且计算地减少来自所述第五图像集中的重建图像的噪声。

51.根据权利要求的方法50，还包括：对所述第三图像集或所述第五图像集的至少一个中的图像中的至少两个图像应用局部低秩正则化以减少其中的噪声。

Images